Pengolahan Citra

Image processing atau pengolahan citra adalah salah bidang dalam dunia komputer yang mulai berkembang sejak manusia memahami bahwa komputer tidak hanya mampu menangani data teks, tetapi juga data citra (Ahmad, 2005).

Terminologi pengolahan citra dipergunakan bila hasil pengolahan data yang berupa citra, adalah juga berbentuk citra yang lain, yang mengandung atau memperkuat informasi khusus pada citra hasil pengolahan sesuai dengan tujuan pengolahannya. Sesuai dengan perkembangannya, pengolahan citra mempunyai dua tujuan utama, yakni sebagai berikut:

a) Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat informasi yang diharapkan dengan menginterpretasikan citra yang ada. Dalam hal ini interpretasi terhadap informasi yang ada tetap dilakukan oleh manusia. b) Mengekstraksi informasi ciri yang menonjol pada suatu citra, dimana

hasilnya adalah informasi citra dimana manusia mendapat informasi ciri dari citra secara numerik atau dengan kata lain komputer (mesin) melakukan interpretasi terhadap informasi yang ada pada citra melalui besaran-besaran data yang dapat dibedakan secara jelas (besaran- besaran ini berupa besaran numerik).

Secara umum, operasi-operasi pada pengolahan citra diterapkan pada citra bila:

a) Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra.

b) Elemen di dalam citra perlu dikelompokkan, dicocokkan, diukur c) Sebagian citra perlu digabung dengan citra yang lain.

Operasi-operasi pengolahan citra diklasifikasikan dalam beberapa jenis sebagai berikut (Munir, 2004)

a) Perbaikan kualitas citra (image enhancement) b) Pemugaran citra (image restoration)

c) Pemampatan citra (image compression) d) Segmentasi citra (image segmentation) e) Pengorakan citra (image analysis) f) Rekontruksi citra (image reconstruction)

2.5.1. Median Filter

Filter median biasa digunakan untuk mengurangi noise dalam gambar, seperti halnya mean filter. Namun, efektifitas filter median lebih baik daripada mean filter dalam mempertahankan detail piksel yang berguna dalam gambar. Median filter menghaluskan data sekaligus mempertahankan detail-detail kecil dan tajam. Median adalah nilai tengah dari semua nilai-nilai piksel di lingkungan. Median tidak sama dengan rata-rata. Namun, median memiliki setengah nilai dalam lingkungan yang lebih besar dan setengah lebih kecil. Median filter hampir tidak dipengaruhi oleh perbedaan nilai sejumlah kecil antara piksel di lingkungan. Akibatnya, median filter sangat efektif menghilangkan berbagai macam noise. (Gambar 2.1) menggambarkan contoh median filter.

Mean filter maupun median filter menganggap setiap piksel dalam gambar pada gilirannya dan melihat tetangga terdekat untuk memutuskan apakah wakil dari sekitarnya atau tidak. Median dihitung dengan terlebih dahulu menyortir semua nilai piksel dari lingkungan sekitarnya ke dalam urutan numerik dan kemudian mengganti piksel yang dipertimbangkan dengan nilai piksel tengah. (Gambar 2.2) mengilustrasikan perhitungan contoh.

2.5.2. Adaptive Median Filter

Standar Median Filter memiliki masalah yang dapat diatasi dengan Adaptive median filter. Perbedaan mendasar antara dua filter ini adalah bahwa pada Adaptive Median Filterbesarnya window (jendela) sekitarnya setiap piksel adalah variabel. Variasi ini tergantung pada median dari piksel dalam jendela sekarang atau saat ini. Jika nilai rata-rata adalah impuls, maka ukuran jendela akan diperluas. Jika tidak, proses lebih lanjut dilakukan pada citra dalam spesifikasi jendela saat ini. Pada dasarnya pada “pengolahan” citra diperlukan : piksel pusat dari jendela (window) dievaluasi untuk memverifikasi apakah itu suatu impuls atau bukan. Jika itu adalah suatu impuls, maka nilai piksel baru pada gambar yang telah difilter akan menjadi nilai median dari piksel dalam jendela itu. Jika piksel

Gambar 2. 2 Contoh perhitungan median filter (Sumber : Lei, 2008)

pusat bukan suatu impuls, maka nilai dari pusat piksel akan dipertahankan dalam citra yang difilter. Piksel (terkecuali) yang dipertimbangkan sebagai sebuah impuls, nilai grayscale dalam piksel pada gambar yang difilter adalah sama dengan citra masukan. Adaptive Median Filter memiliki tujuan ganda yaitu menghapus impuls noise pada gambar dan mengurangi distorsi pada gambar. Adaptive Median Filterdapat menangani operasi filter pada gambar rusak dengan impuls noise. Filter ini juga memperhalus noise. Dengan demikian, filter ini memberikan output citra jauh lebih baik dari standar median filter.

Filter ini melakukan pengolahan spasial untuk menentukan nilai mana dalam citra yang terkena noise dengan membandingkan setiap pikselnya terhadap tetangganya. Ukuran window dapat disesuaikan dengan batasan maksimum window. Piksel yang berbeda dengan tetangganya maka dianggap sebagai noise untuk kemudian digantikan dengan nilai median piksel yang ada dalam satu window.

Misalnya 𝑥𝑖𝑗 , untuk (i,j) ∈𝐴 ≡ 1, … , 𝑀 × 1, … , 𝑁 , adalah derajat keabuan dari citra x dengan ukuran M×N pada lokasi (i,j), dan [S_min , S_max] adalah jangkauan dinamik dari x dengan kata lain 𝑆𝑚𝑖𝑛 ≤ 𝑋𝑖𝑗 ≤ 𝑆𝑚𝑎𝑥 untuk semua 𝑖,𝑗∈𝐴. Kemudian y didefinisikan sebagai citra yang terkena noise. Disini akan dijelaskan tentang algoritma Adaptive Median Filter. Dimisalkan 𝑆𝑖𝑗𝑤 adalah sebuah window dengan ukuran 𝑤 × 𝑤 dan memiliki pusat di (i,j) serta 𝑊𝑚𝑎𝑥 × 𝑊𝑚𝑎𝑥 adalah ukuran maksimal window. Tujuan dari algoritma Adaptive Median Filterini adalah mengidentifikasi kandidat noise𝑦𝑖𝑗 kemudian mengganti setiap 𝑦𝑖𝑗 dengan nilai median dari piksel yang ada pada window𝑠𝑖𝑗𝑤. Untuk lebih jelasnya dapat dilihat pada penjelasan di bawah ini :

Untuk setiap piksel pada lokasi (i,j) , dilakukan :

a) Inisialisasi ukuran pertama window, 𝑤 = 𝑤 + 3 , karakteristik matriks X. b) Hitung nilai 𝑆𝑖𝑗𝑚𝑖𝑛 ,𝑤 , 𝑆𝑖𝑗𝑚𝑒𝑑 ,𝑤 , dan 𝑆𝑖𝑗𝑚𝑎𝑥 ,𝑤 yang merupakan nilai minimum,

median, dan maksimum dari piksel-piksel yang ada dalam window𝑠𝑖𝑗𝑤 . c) Jika 𝑆𝑖𝑗𝑚𝑖𝑛 ,𝑤 ≤ 𝑆𝑖𝑗𝑚𝑒𝑑 ,𝑤 ≤ 𝑆𝑖𝑗𝑚𝑎𝑥 ,𝑤 , maju ke langkah 5. Jika tidak, atur ukuran

𝑤 = 𝑤 + 2.

d) Jika 𝑤 ≤ 𝑤𝑚𝑎𝑥 , maka ulangi dari langkah 2. Selain itu ganti piksel 𝑦𝑖𝑗

dengan 𝑆𝑖𝑗𝑚𝑒𝑑 ,𝑤 kemudian set 𝑥𝑖𝑗 = 0.

e) Jika 𝑆𝑖𝑗𝑚𝑖𝑛 ,𝑤 ≤ 𝑦𝑖𝑗 ≤ 𝑆𝑖𝑗𝑚𝑎𝑥 ,𝑤 maka 𝑦𝑖𝑗 bukan noise dan tidak perlu diganti nilainya kemudian, set 𝑥𝑖𝑗 = 1. Jika tidak, ganti 𝑦𝑖𝑗 dengan 𝑆𝑖𝑗𝑚𝑒𝑑 ,𝑤 dan set 𝑥𝑖𝑗

= 0.

Adapun penelitian yang terkait dengan Adaptive Median Filter yaitu (Hwang dan Haddad, 1995) mengusulkan algoritma yang diklaim sederhana dan memberikan performa yang lebih baik dari algoritma rivalnya. Dalam penelitian tersebut diterangkan tentang algoritma yang disebut Adaptive Median Filter beserta hasil implementasinya. Algoritma tersebut terdiri dari dua algoritma lagi yaitu Ranked-Order Based Adaptive Median Fllter (RAMF) dan Impulse Size Based Adaptive Median Fllter (SAMF).